Python数据分析入门（五）：Pandas的对齐运算

港控/mmm° 2022-11-13 15:24 290阅读 0赞

是数据清洗的重要过程，可以按索引对齐进行运算，如果没对齐的位置则补NaN，最后也可以填充NaN

**Python爬虫、数据分析、网站开发等案例教程视频免费在线观看**

https://space.bilibili.com/523606542

# [Python学习交流群：1039649593][Python_1039649593] #

**Series的对齐运算**

**1. Series 按行、索引对齐**

示例代码：

s1 = pd.Series(range(10, 20), index = range(10))
    s2 = pd.Series(range(20, 25), index = range(5))
    
    print('s1: ' )
    print(s1)
    
    print('') 
    
    print('s2: ')
    print(s2)

运行结果：

s1: 
    0    10
    1    11
    2    12
    3    13
    4    14
    5    15
    6    16
    7    17
    8    18
    9    19
    dtype: int64
    
    s2: 
    0    20
    1    21
    2    22
    3    23
    4    24
    dtype: int64

**2. Series的对齐运算**

示例代码：

# Series 对齐运算
    s1 + s2

运行结果：

0    30.0
    1    32.0
    2    34.0
    3    36.0
    4    38.0
    5     NaN
    6     NaN
    7     NaN
    8     NaN
    9     NaN
    dtype: float64

**DataFrame的对齐运算**

**1. DataFrame按行、列索引对齐**

示例代码：

df1 = pd.DataFrame(np.ones((2,2)), columns = ['a', 'b'])
    df2 = pd.DataFrame(np.ones((3,3)), columns = ['a', 'b', 'c'])
    
    print('df1: ')
    print(df1)
    
    print('') 
    print('df2: ')
    print(df2)

运行结果：

df1: 
         a    b
    0  1.0  1.0
    1  1.0  1.0
    
    df2: 
         a    b    c
    0  1.0  1.0  1.0
    1  1.0  1.0  1.0
    2  1.0  1.0  1.0

**2. DataFrame的对齐运算**

示例代码：

# DataFrame对齐操作
    df1 + df2

运行结果：

a    b   c
    0  2.0  2.0 NaN
    1  2.0  2.0 NaN
    2  NaN  NaN NaN

**填充未对齐的数据进行运算**

**1. fill\_value**

使用add,sub,div,mul的同时，通过fill\_value指定填充值，未对齐的数据将和填充值做运算

示例代码：

print(s1)
    print(s2)
    s1.add(s2, fill_value = -1)
    
    print(df1)
    print(df2)
    df1.sub(df2, fill_value = 2.)

运行结果：

# print(s1)
    0    10
    1    11
    2    12
    3    13
    4    14
    5    15
    6    16
    7    17
    8    18
    9    19
    dtype: int64
    
    # print(s2)
    0    20
    1    21
    2    22
    3    23
    4    24
    dtype: int64
    
    # s1.add(s2, fill_value = -1)
    0    30.0
    1    32.0
    2    34.0
    3    36.0
    4    38.0
    5    14.0
    6    15.0
    7    16.0
    8    17.0
    9    18.0
    dtype: float64
    
    
    # print(df1)
         a    b
    0  1.0  1.0
    1  1.0  1.0
    
    # print(df2)
         a    b    c
    0  1.0  1.0  1.0
    1  1.0  1.0  1.0
    2  1.0  1.0  1.0
    
    
    # df1.sub(df2, fill_value = 2.)
         a    b    c
    0  0.0  0.0  1.0
    1  0.0  0.0  1.0
    2  1.0  1.0  1.0

**算术方法表:**

![Python数据分析 Pandas的对齐运算][Python_ Pandas]

[Python_1039649593]: https://jq.qq.com/?_wv=1027&k=SBLaYU2c
[Python_ Pandas]: /images/20221022/2c25c5428ade4c3397473858a67e2062.png